AI in onderhoud is software die werk overneemt waarvoor tot nu toe een mens moest lezen, kijken of patronen herkennen: een inspectierapport doornemen op bevindingen, een onderdeel herkennen op een foto, een afwijkend patroon zien in sensordata. Op dit moment helpt kunstmatige intelligentie onderhoudsteams vooral bij leeswerk: rapporten, handleidingen, tekeningen en andere documenten. AI levert voorstellen, geen beslissingen. De winst ontstaat als een vakmens elk voorstel snel kan controleren, met de bron ernaast.
AI is niet één ding: vier soorten in onderhoud
Onder de noemer AI vallen technieken die heel verschillende dingen doen. Voor onderhoud zijn er vier van belang:
| Soort AI | Wat het doet | Voorbeeld in onderhoud |
|---|---|---|
| Machine learning op sensordata | Leert het normale gedrag van een machine en signaleert afwijkingen | Een rookgasventilator met een afwijkend trillingspatroon |
| Taalmodel | Leest tekst, haalt er gegevens uit, vat samen en beantwoordt vragen | Bevindingen uit een inspectierapport halen |
| Beeldherkenning | Herkent objecten of afwijkingen op foto's | Een onderdeel zonder nummer herkennen |
| Tekstherkenning (OCR) | Zet tekst op een scan of foto om in doorzoekbare tekst | Een gescande P&ID uit 1998 doorzoekbaar maken |
Ze werken vaak samen. Tekstherkenning maakt een gescand rapport leesbaar, daarna haalt een taalmodel de bevindingen eruit.
Niet alles wat slim is, is AI
Een melding zodra de trilling boven een grenswaarde komt, is een drempel. Een tagnummer op een tekening herkennen aan een vast patroon is een regel. Een trendlijn door draaiuren of wanddiktes is statistiek. Dat is geen AI, en dat hoeft ook niet: zulke methoden zijn voorspelbaar, na te rekenen en uit te leggen aan een auditor. Voor gebruiksgebaseerd onderhoud is een projectie op basis van gemeten draaiuren vaak al voldoende. AI komt pas in beeld waar regels en statistiek tekortschieten: bij ongestructureerde tekst, bij beelden en bij patronen die niemand vooraf kan beschrijven.
Waar AI in onderhoud nu al helpt
In het schema hieronder staan de toepassingen per soort invoer, met de soort AI erbij. Onderaan staat wat voor elke toepassing geldt: AI doet een voorstel met bron, een mens beoordeelt het, en pas daarna wordt het voorstel werk.
Documenten en rapporten
Hier zit nu de meeste winst, omdat onderhoud draait op documenten die niemand van voor tot achter leest. Een taalmodel en tekstherkenning werken hier samen.
- Bevindingen uit rapporten halen. Na de revisiestop van een afvalenergiecentrale liggen er tientallen service- en inspectierapporten. AI kan per rapport de bevindingen voorstellen, met ernst, pagina en het letterlijke citaat, zodat je bij het beoordelen gericht kunt nalezen. Hoe je bevindingen daarna opvolgt, lees je bij onderhoud uitbesteden.
- Taken uit een handleiding. Ergens in een handleiding van honderden pagina's staan de periodieke taken, met intervallen, smeermiddelen en hoeveelheden. AI kan die uitlezen als voorstel voor een onderhoudsplan. Het advies van de fabrikant blijft een startpunt; de intervallen bepaal je zelf.
- Zoeken op betekenis. Gewoon zoeken vindt alleen de woorden die je intypt. Zoeken op betekenis vindt ook de passage over het aanhaalmoment als je vraagt "hoe vast moet de lagerkap?" Dat werkt alleen als je documenten digitaal en doorzoekbaar zijn, en het best als ze aan de juiste assets gekoppeld zijn; zie technische documentatie beheren. Een voorbeeld zie je bij technisch documentbeheer.
Foto's
Beeldherkenning, vaak samen met tekstherkenning, maakt van een foto een zoekvraag.
- Onderdeel herkennen. Een monteur in een distributiecentrum staat met een sensor zonder label bij de stelling. Beeldherkenning vergelijkt de foto met de artikelen in je eigen catalogus en toont de kandidaten, terwijl tekstherkenning typenummers meeleest. De kwaliteit hangt af van de foto's en omschrijvingen van je artikelen. Een voorbeeld uit een technisch magazijn zie je bij zoeken op foto.
- Typeplaatje uitlezen. Fabrikant, type en serienummer van een foto overnemen scheelt typewerk en tikfouten bij het vullen van een assetregister.
- Afwijkingen op inspectiebeelden. Beeldherkenning kan corrosie, scheuren of lekkage markeren op camera- of dronebeelden. Daarvoor zijn veel beoordeelde voorbeeldbeelden nodig; het loont vooral bij grote aantallen vergelijkbare inspecties.
Sensordata
Machine learning op sensordata vraagt meer dan de andere toepassingen: continue metingen en, voor voorspellingen, storingshistorie.
- Afwijkend gedrag signaleren. Een model leert uit trilling, temperatuur of stroomopname hoe een machine zich normaal gedraagt, en signaleert wanneer het patroon verandert, ook als geen enkele waarde een grens overschrijdt. Dat is een reden om te gaan kijken, nog geen diagnose.
- Restlevensduur schatten. Een model dat leert wanneer een machine faalt, heeft voorbeelden van storingen nodig. Bij kritieke assets zijn die er weinig, juist omdat je falen daar zoveel mogelijk vermijdt. Heb je een meetbare slijtagegrootheid met een bekende grens, zoals wanddikte, dan geeft een trendlijn vaak al een bruikbare projectie. Meer hierover lees je bij predictive maintenance.
Vragen en analyses
Een taalmodel kan ook vragen beantwoorden en analyses voorbereiden.
- Assistent voor je eigen gegevens. "Welke pompen hadden dit jaar meer dan drie storingen?" of "In welk document staat de vervangingsprocedure van de mechanical seal?" Een assistent die zulke vragen beantwoordt, moet laten zien op welke werkorders, assets of documenten het antwoord steunt, en mag alleen tonen wat de vrager zelf ook mag zien.
- Faalwijzen voorstellen. In een FMECA kan een taalmodel per functie mogelijke faalwijzen, oorzaken en een onderhoudsstrategie voorstellen. Dat werkt als checklist in de sessie, zodat het team minder over het hoofd ziet. Het vervangt niet de kennis van operators en monteurs over hoe jouw vulmachine of compressor in de praktijk faalt.
Wat je nodig hebt om AI zinvol te gebruiken
- Basisdata op orde. Een bevinding over "pomp 3 links" kan alleen aan de juiste asset worden gekoppeld als je assetregister consistente codes en omschrijvingen heeft. Documenten moeten digitaal en doorzoekbaar zijn.
- Een mens die beoordeelt. Leg vast wie de voorstellen controleert, en geef die persoon daar tijd voor.
- Een bron bij elk voorstel. Een pagina en citaat, of de records waarop een antwoord steunt. Zonder bron moet je alles opnieuw lezen en is de tijdwinst weg.
- Afspraken over je gegevens. Waar wordt een document verwerkt en opgeslagen, wie kan erbij, en wordt het gebruikt om modellen te trainen? Rapporten bevatten namen, en tekeningen en contracten zijn vertrouwelijk. Voor persoonsgegevens geldt de AVG.
- Gebruikers die het hulpmiddel kennen. Wie met AI werkt, moet weten wat het hulpmiddel doet en waar het de mist in kan gaan. De AI-verordening vraagt organisaties daar maatregelen voor te nemen.
- Een eigenaar. Iemand die de resultaten meet, problemen verzamelt en bijstuurt.
Grenzen en risico's van AI in onderhoud
- Verzonnen antwoorden. Een taalmodel kan met grote stelligheid iets beweren dat niet klopt. In het risicoprofiel voor generatieve AI van het Amerikaanse instituut NIST heet dat confabulatie, in de volksmond hallucineren, en NIST wijst erop dat ook een bronvermelding verzonnen kan zijn. Een voorstel is dus pas te vertrouwen als het citaat echt in het document staat. Controleer dat, of gebruik software die dat controleert.
- Leesfouten in scans en handschrift. Tekstherkenning verwart makkelijk 0 en O of 1 en I. In een tagnummer betekent dat een bevinding bij de verkeerde asset, of bij geen enkele. Vage scans en handgeschreven aantekeningen op tekeningen gaan vaker mis.
- Wat AI mist, zie je niet. Een onjuist voorstel kun je bij het beoordelen opmerken, een gemiste bevinding niet. Lees bij kritieke installaties de conclusies en afkeuringen in een rapport daarom altijd zelf.
- Te veel of te weinig vertrouwen. NIST beschrijft ook automation bias: te veel varen op wat een geautomatiseerd systeem zegt. Het omgekeerde komt ook voor: vakmensen die een hulpmiddel bij voorbaat wantrouwen en de tijdwinst laten liggen. Meten helpt tegen allebei.
- Vertrouwelijkheid. Medewerkers die zelf een rapport of tekening in een openbare chatdienst plakken, nemen een beslissing over bedrijfsgegevens die niet bij hen ligt. Zorg voor een goedgekeurd alternatief en duidelijke afspraken.
De EU AI-verordening op hoofdlijnen
Sinds 1 augustus 2024 is de Europese AI-verordening (Verordening (EU) 2024/1689) van kracht. Die werkt risicogebaseerd: hoe groter het risico van een toepassing, hoe strenger de regels. Welke categorie geldt, hangt af van het beoogde gebruik.
- Verboden praktijken, zoals social scoring en emotieherkenning op de werkplek.
- Hoog risico. Bijvoorbeeld AI die bedoeld is als veiligheidscomponent in het beheer en de exploitatie van kritieke digitale infrastructuur, wegverkeer of de levering van water, gas, verwarming of elektriciteit. Hieronder valt ook AI die taken toewijst op basis van persoonlijk gedrag of persoonlijke kenmerken, of die de prestaties en het gedrag van werknemers bewaakt en beoordeelt. Beide staan in bijlage III. Ook AI als veiligheidscomponent van producten onder EU-productwetgeving, zoals liften en drukapparatuur, kan hoog risico zijn. Voor hoog risico gelden eisen als risicobeheer, logging, documentatie en menselijk toezicht.
- Transparantieverplichtingen: mensen moeten weten dat ze met een chatbot praten, en door AI gemaakte inhoud moet herkenbaar zijn.
- Minimaal risico: hiervoor stelt de verordening geen eisen aan het systeem zelf; wel geldt ook hier de plicht rond AI-geletterdheid. Volgens de Europese Commissie valt het overgrote deel van de AI-systemen die nu in de EU worden gebruikt in deze categorie.
De meeste plichten liggen bij de aanbieder: de partij die een AI-systeem ontwikkelt of laat ontwikkelen, en het onder eigen naam op de markt brengt of in gebruik neemt. Een technische dienst die een AI-hulpmiddel gebruikt, is gebruiksverantwoordelijke. Laat je zelf een model bouwen, bijvoorbeeld voor voorspellend onderhoud, en zet je dat onder eigen naam in, dan kun je ook aanbieder zijn. Het Algoritmekader van de Rijksoverheid zet de rollen en de tijdlijn op een rij.
Voor elke organisatie die AI gebruikt, geldt sinds 2 februari 2025 de plicht rond AI-geletterdheid (artikel 4). Sinds de wijziging van juli 2026 komt die erop neer dat aanbieders en gebruiksverantwoordelijken maatregelen nemen om de AI-geletterdheid te ondersteunen van hun personeel en van anderen die namens hen met AI-systemen werken, zonder dat een bepaald niveau per persoon gegarandeerd hoeft te worden. In de praktijk gaat het om uitleg en instructie over wat het hulpmiddel doet en waar het mis kan gaan.
| Datum | Wat gaat gelden |
|---|---|
| 1 augustus 2024 | De verordening treedt in werking |
| 2 februari 2025 | Verboden praktijken en AI-geletterdheid |
| 2 augustus 2025 | Regels voor AI-modellen voor algemene doeleinden |
| 2 augustus 2026 | Het grootste deel van de verordening, waaronder de transparantieverplichtingen |
| 2 december 2027 | AI met een hoog risico uit bijlage III, zoals kritieke infrastructuur |
| 2 augustus 2028 | AI met een hoog risico in producten, zoals liften |
De ingangsdata voor AI met een hoog risico zijn in juli 2026 opgeschoven door een wijziging van de verordening, het AI-omnibuspakket (Verordening (EU) 2026/1744). Voor een technische dienst komt het er meestal op neer: zorg voor AI-geletterdheid, maak goede afspraken met de aanbieder, en laat een toepassing toetsen als AI meebeslist over een veiligheidsfunctie of over de inzet van monteurs. Gebruik je toch AI met een hoog risico, dan gebruik je die volgens de gebruiksaanwijzing, beleg je het menselijk toezicht bij mensen die daarvoor zijn opgeleid en bevoegd, bewaar je de logs ten minste zes maanden en informeer je werknemers en hun vertegenwoordigers voordat je het systeem op de werkplek inzet.
Zo begin je met AI in onderhoud
- Kies één leesprobleem met duidelijke winst. Bijvoorbeeld de rapporten na de revisiestop, de handleidingen van een nieuwe installatie of het doorzoeken van een tekeningenarchief.
- Meet hoe het nu gaat. Hoeveel uur kost het verwerken van een rapport, hoe lang duurt het tot een bevinding een werkorder is, en wat blijft liggen? Zonder nulmeting kun je later niets aantonen.
- Test op je eigen documenten. Niet alleen op een demo, maar op je slechtste scans, je langste rapporten en je Engelstalige handleidingen.
- Meet tijdwinst én kwaliteit. Hoeveel voorstellen klopten, hoeveel bevindingen werden gemist, en hoeveel citaten waren niet terug te vinden?
- Leg vast wie controleert en wat de deur uit mag. Wie beoordeelt de voorstellen, wat gebeurt er met verworpen voorstellen, en welke documenten mogen naar een externe dienst?
- Breid stap voor stap uit. Pas als het eerste leesprobleem aantoonbaar beter gaat, pak je het volgende aan.
Veelgemaakte fouten bij AI in onderhoud
- AI als doel. "We moeten iets met AI" is geen probleemstelling. Begin bij het werk dat blijft liggen.
- Beginnen zonder basisdata. Zonder consistent assetregister en digitale documenten koppelt AI bevindingen aan niets.
- Voorstellen blind overnemen. Een voorstel met een overtuigende toon is nog geen gecontroleerd voorstel.
- Groot beginnen. Een voorspellend model voor alle assets tegelijk vraagt data die je vaak niet hebt. Begin bij een paar kritieke machines met goede metingen, of bij leeswerk.
- Geen eigenaar. Een proef zonder eigenaar en zonder meting verwatert na de eerste enthousiaste weken.
- Verwachten dat AI storingen voorkomt. AI levert sneller informatie op. De kans op storingen verklein je met het werk dat daarop volgt.
Veelgestelde vragen
Kan AI storingen voorspellen?
Soms, als er genoeg sensordata en storingshistorie is. Een model dat afwijkend gedrag signaleert, heeft alleen data over normaal bedrijf nodig en geeft je een reden om te gaan kijken. Een model dat de restlevensduur voorspelt, heeft voorbeelden van storingen nodig, en die zijn bij kritieke assets schaars. Voor veel assets geeft een trend of drempel op gemeten waarden al genoeg tijd om in te grijpen. AI verkleint de kans op een storing alleen als er werk op volgt.
Vervangt AI de monteur of de werkvoorbereider?
Nee. AI neemt een deel van het lees- en zoekwerk over: rapporten doornemen, de juiste passage in een handleiding vinden, een onderdeel herkennen. Het oordeel blijft bij vakmensen: of een bevinding klopt, hoe urgent die is en welk werk erop volgt. Het fysieke werk aan de installatie verandert er niet door. Wat wel verandert, is waar de tijd van de werkvoorbereider naartoe gaat: minder zoeken, meer beoordelen.
Mag je bedrijfsdocumenten in een AI-hulpmiddel zetten?
Dat hangt af van de afspraken met de aanbieder. Vraag na waar documenten worden verwerkt en opgeslagen, wie erbij kan en of ze worden gebruikt om modellen te trainen. Bevatten ze persoonsgegevens, zoals namen in een servicerapport, dan geldt de AVG. Plak vertrouwelijke tekeningen of contracten niet in een openbare chatdienst, maar gebruik een hulpmiddel dat je organisatie heeft goedgekeurd.
Valt AI in onderhoud onder de AI-verordening?
Ja, maar welke eisen gelden, hangt af van het risico. Rapporten lezen, documenten doorzoeken en onderdelen herkennen noemt de verordening niet als hoog risico; de plicht rond AI-geletterdheid geldt wel. Zwaardere eisen gelden voor AI als veiligheidscomponent, bijvoorbeeld in de energievoorziening of in een product onder EU-productwetgeving, en voor AI die monteurs werk toewijst op basis van hun gedrag of persoonlijke kenmerken, of hun prestaties bewaakt en beoordeelt. AI die alleen efficiëntie of kwaliteitscontrole ondersteunt, telt sinds juli 2026 niet als veiligheidscomponent, tenzij falen de veiligheid in gevaar brengt.
Hoe betrouwbaar is AI bij het lezen van rapporten?
Dat verschilt per document, en je kunt het alleen op je eigen rapporten vaststellen. Goed leesbare digitale rapporten gaan meestal beter dan scans met handgeschreven aantekeningen. Twee soorten fouten tellen: een onjuist voorstel, dat je bij het beoordelen kunt zien, en een gemiste bevinding, die je niet ziet. Meet daarom allebei in een proef, en lees bij kritieke installaties de conclusies van het rapport altijd zelf.